提升动态图学习的自适应时空增强
机器学习
2025-01-20 v1 人工智能
摘要
动态图增强用于提高动态图神经网络(GNN)的性能。大多数方法假设时序局部性，即近期边比早期边更具影响力。然而，对于由随机噪声引起的边缘变化，过度强调近期边而忽略早期边可能导致模型捕获噪声。为此，我们提出了 STAA(SpatioTemporal Activity-Aware Random Walk Diffusion)。STAA 通过图小波系数识别在时空维度上可能具有噪声边的节点。在空间上，它通过图小波系数分析关键拓扑位置。在时间上，它通过图小波系数变化率分析边缘演化。随后，使用随机漫步降低噪声边的权重，得到包含时空信息的扩散矩阵作为动态 GNN 学习的增强邻接矩阵。在多个数据集上进行的实验表明，STAA 在节点分类和链路预测任务中优于其他动态图增强方法。
引用
@article{arxiv.2501.10010,
title = {Adaptive Spatiotemporal Augmentation for Improving Dynamic Graph Learning},
author = {Xu Chu and Hanlin Xue and Bingce Wang and Xiaoyang Liu and Weiping Li and Tong Mo and Tuoyu Feng and Zhijie Tan},
journal= {arXiv preprint arXiv:2501.10010},
year = {2025}
}
备注
2025 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)